TensorFlow深度學習（Python版）

定　價：￥89.00

作　者：	柯博文著
出版社：	清華大學出版社
叢編項：	手把手教你掌握100個精彩案例
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302578093	出版時間：	2022-01-01	包裝：	平裝
開本：	16開	頁數：	370	字數：

內容簡介

　　《TensorFlow深度學習——手把手教你掌握100個精彩案例（Python版）（人工智能科學與技術叢書）》是一本系統(tǒng)論述TensorFlow編程的新形態(tài)圖書（含紙質圖書、程序代碼及微課視頻）。全書分為22章：第1～5章介紹了TensorFlow基礎；第6～8章介紹了神經網絡多層感知層編程；第9～12章介紹了人工智能數學；第13章介紹了存儲和讀?。坏?4章介紹了回歸預測數據結果；第15～17章介紹了圖形辨識和CNN；第18～20章介紹了CNN數學基礎；第21～22章介紹了物體的影像辨識。為便于讀者高效學習，快速掌握人工智能和機器學習編程與實踐，該書提供所有實例的完整源代碼，并配套制作了微課視頻?！禩ensorFlow深度學習——手把手教你掌握100個精彩案例（Python版）（人工智能科學與技術叢書）》適合作為廣大高校計算機專業(yè)相關課程的教材，也可以作為從事深度學習與機器學習技術開發(fā)者的參考用書。

作者簡介

　　柯博文，美國硅谷的科技公司創(chuàng)業(yè)者，LoopTek公司CTO，擁有20多年的實際開發(fā)經驗。長期專注于Android、iPhone、Raspberry Pi的應用開發(fā)。在谷歌、蘋果等應用商店開發(fā)銷售近百款應用軟件，以及多款硬件商品；并為國泰世華銀行、臺灣房屋、臺北市衛(wèi)生局、中國移動等多家大型知名企業(yè)、機構開發(fā)相關軟件產品。曾任中國電子視像行業(yè)協(xié)會顧問、臺灣工研院資通所顧問。致力推廣Raspberry Pi和手機應用，在全球多個城市都定期舉辦教學與推廣活動，并在全球多個教育培訓機構講授相關課程。出版多部暢銷圖書。

圖書目錄

第1章Python程序設計語言
1.1Python程序設計語言歷史
1.2Python程序設計語言簡介
1.3Python版本簡介
第2章安裝和運行Python開發(fā)環(huán)境
2.1在Windows操作系統(tǒng)中安裝Python
2.2在Windows操作系統(tǒng)中測試與運行Python
2.3在Mac操作系統(tǒng)中安裝Python
2.4在Mac操作系統(tǒng)中測試與運行Python
2.5在Linux和樹莓派中安裝Python
2.6在Linux或樹莓派中測試與運行Python
第3章開發(fā)程序和工具
3.1我的第1個Windows版Python程序
3.2我的第1個Mac、Linux和樹莓派版Python程序
3.3開發(fā)和調試工具的下載和安裝
3.4打開PyCharm
3.5用PyCharm創(chuàng)建項目
3.6調試項目
3.7安裝Anaconda
3.8使用Anaconda
3.9pip安裝包
3.10本書需要安裝的第三方函數庫列表
第4章TensorFlow簡介和安裝
4.1TensorFlow簡介
4.2安裝TensorFlow
4.3TensorFlow測試
第5章顯卡確認
5.1安裝NVIDIA的CUDA Toolkit 9.0
5.2安裝NVIDIA的cuDNN v7.2.1
5.3安裝Python 的TensorFlow GPU函數庫
5.4運行TensorFlowGPU程序
5.5通過程序指定GPU顯卡
5.6指定GPU顯卡內存上限
第6章TensorFlow神經網絡模型快速上手
6.1人工智能開發(fā)步驟
6.2創(chuàng)建訓練集
6.3構建模型
6.4編譯
6.5訓練
6.6評估正確率
6.7預測
第7章TensorFlow改善神經網絡模型MLP的準確率
7.1模型不同的寫法
7.2TensorFlow與Keras 函數庫的關系和差異
7.3標記處理獨熱編碼
7.4處理多個特征值
7.5通過改變深度學習訓練次數改善預測結果
7.6通過改變深度學習每次訓練的數據量改善預測結果
7.7通過增加神經元的數量改善預測結果
7.8通過增加隱藏層的數量改善預測結果
7.9通過增加訓練集的數據筆數改善訓練結果
7.10使預測正確率達到100%
第8章TensorFlow神經網絡模型實戰(zhàn)案例
8.1鳶尾花的種類判斷
8.2鳶尾花植物辨識數據庫
8.3利用Python處理Excel文檔
8.4下載并存儲鳶尾花數據
8.5多層感知器模型
8.6使用TensorFlow.keras 創(chuàng)建模型
8.7澳大利亞堪培拉天氣預測
8.8Excel數據的提取和存儲
8.9CSV數據的提取、處理和存儲
8.10處理天氣記錄的Excel數據
8.11使用神經網絡模型MLP預測天氣
第9章TensorFlow神經網絡神經元
9.1神經網絡圖形工具
9.2神經網絡圖形工具的TensorFlow數據
9.3神經網絡圖形工具對應的TensorFlow程序
9.4調整隱藏層和神經元
9.5用最少的隱藏層和神經元區(qū)分數據
9.6通過TensorFlow 計算權重和偏移量
9.7將神經元的權重和偏移量用表達式表示
9.8用TensorFlow畫出神經元的權重和偏移量
9.9binary_crossentropy 二元法的處理
9.10自定義數據驗證回歸和神經元的關系
9.11激活函數
9.12多個神經元
第10章MLP神經網絡的數學理論
10.1激活函數Sigmoid的數學理論
10.2激活函數Tanh的數學理論
10.3激活函數ReLU的數學理論
10.4使用激活函數的目的
10.5MLP的計算公式
10.6兩層神經元的數學計算
第11章TensorFlow神經網絡隱藏層
11.1隱藏層的作用
11.2隱藏層的數學原理
11.3MLP實例XOR問題
11.4空間轉換
11.5再次切割
11.6隱藏層的設置
第12章TensorFlow神經網絡最短路徑算法
12.1圖形顯示訓練過程歷史
12.2深度學習優(yōu)化——最短路徑算法
12.3Adam算法
12.4SGD算法
12.5RMSprop算法
12.6Adagrad、Adadelta、Nadam和Momentum算法
12.7選擇優(yōu)化算法的方法
12.8特征值數據標準化
12.9優(yōu)化學習率
12.10編譯模型的metrics 指針
第13章TensorFlow神經網絡訪問模型和訓練結果
13.1TensorBoard的使用
13.2保存模型和訓練后的結果
13.3提取模型系統(tǒng)結構和模型權重
13.4通過Callback每次訓練存儲權重一次
13.5自動判斷是否需要訓練模型
13.6分批次訓練
第14章TensorFlow神經網絡MLP回歸
14.1回歸的神經網絡開發(fā)方法
14.2神經網絡回歸的metrics 指針
14.3單次梯度更新函數
14.4損失函數與代價函數
14.5波士頓房屋價格的數據庫分析
14.6將波士頓房屋價格數據下載存儲至Excel和CSV
14.7特征關系
14.8使用回歸神經網絡MLP預測波士頓房屋價格
14.9調整神經網絡使MLP回歸更加準確
14.10MLP回歸分批繼續(xù)訓練
14.11波士頓房屋價格的預測單次梯度更新
第15章圖像識別
15.1模式識別原理
15.2將圖片轉換成特征值
15.3多層感知器MLP實戰(zhàn)模式識別
15.4實戰(zhàn)手寫數字圖片數據集MNIST
15.5顯示MNIST中每一筆數據內容
15.6圖形顯示MNIST內的數據
15.7顯示多張圖片
15.8圖形和文字的識別原理
15.9將圖形數據轉換為MLP訓練集
15.10使用MLP識別圖形和文字
15.11服飾數據集的模式識別
15.12圖形化顯示服飾數據集
15.13使用MLP識別服飾數據集
第16章卷積神經網絡
16.1CNN簡介
16.2CNN和MLP的差異
16.3CNN快速上手
16.4CNN做手寫數字圖片識別之特征值的處理
16.5CNN做手寫數字圖片識別之模型
16.6CNN做手寫數字圖片識別之訓練和預測
16.7CNN做手寫數字圖片識別之減少訓練時間
16.8通過CNN提高圖片識別率
16.9使用CNN識別服飾種類
16.10使用CNN識別彩色圖片
16.11使用CNN識別100種人物和物體
16.12TensorFlow Datasets函數庫
16.13使用和整理TensorFlow Datasets函數庫
第17章OpenCV和CNN即時識別
17.1OpenCV簡介
17.2使用OpenCV顯示圖片
17.3使用OpenCV打開攝像機并捕捉實時畫面
17.4使用OpenCV存儲照片
17.5通過攝像機識別的一個手寫數字
17.6OpenCV手寫程序
17.7即時手寫識別App
17.8改善實際運用上的準確度
17.9二值化
第18章卷積神經網絡原理
18.1Conv2D函數的數學原理
18.2Conv2D函數對圖片每一個點的處理
18.3Conv2D函數對邊緣的處理
18.4使用Conv2D函數顯示圖片
18.5參數kernel_size 和padding的差異
18.6濾鏡數量的意義
18.7激活函數的意義
18.8多層Conv2D函數
18.9多層池化層MaxPooling2D函數
18.10池化層計算方法
18.11平均池化Average Pooling
18.12均值池化MeanPooling
第19章利用卷積神經網絡提高準確率的技巧
19.1利用ImageDataGenerator函數創(chuàng)建更多訓練集
19.2利用width_shift_range參數水平移動圖片
19.3利用rotation_range參數旋轉圖片
19.4利用zoom_range參數放大縮小圖片
19.5利用brightness_range參數調整明暗度
19.6height_shift_range、fill_mode及cval參數
19.7將ImageDataGenerator用于MNIST數據
19.8二值化和更多神經元
19.9MNIST手寫預測
19.10混淆數組Confusion Matrix
第20章圖學網絡應用模塊
20.1圖學網絡應用模塊
20.2使用VGG16預測1000種對象
20.3自制VGG16模型
20.4將模型存儲成圖片
20.5使用VGG16模型做CIFAR10彩色數據訓練
20.6使用VGG16模型做MNIST_fashion灰度數據訓練
20.7使用攝像機和VGG16模型即時識別10 000種對象
20.8圖學網絡應用模塊VGG19
20.9圖學網絡應用模塊ResNet50
20.10圖學網絡應用模塊Xception
20.11圖學網絡應用模塊InceptionV3
20.12圖學網絡應用模塊InceptionResNetV2
20.13圖學網絡應用模塊NASNetLarge
20.14圖學網絡應用模塊DenseNet121
第21章多影像識別實戰(zhàn)
21.1創(chuàng)建或設計識別圖片
21.2創(chuàng)建訓練圖庫
21.3訓練圖庫
21.4結合攝像機即時判斷訓練的圖庫
21.5使用VGG16訓練和測試圖庫
21.6使用OpenCV找出多個物體
21.7多對象的預測
21.8利用攝像機做多對象的預測
21.9文字的即時識別
第22章多影像識別技術
22.1多對象檢測和多影像識別技術
22.2Mask RCNN簡介
22.3Mask RCNN使用
22.4取得預測率和對象位置
22.5Mask RCNN結合OpenCV和攝像機即時識別
22.6通過Mask RCNN判斷視頻上的多對象并存儲視頻
22.7準備訓練圖片
22.8訓練自己的Mask RCNN權重
22.9測試自己訓練的物體
22.10調整訓練程序
22.11使用Mask RCNN識別多個氣球的位置
22.12TensorFlow 1.14和TensorFlow2.1版本程序差異